論文の概要: The impact of conformer quality on learned representations of molecular conformer ensembles

• arxiv url: http://arxiv.org/abs/2502.13220v1
• Date: Tue, 18 Feb 2025 19:00:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:58:55.675381
• Title: The impact of conformer quality on learned representations of molecular conformer ensembles
• Title（参考訳）: 分子コンフォメーラーアンサンブルの学習表現に及ぼすコンフォメーラー品質の影響
• Authors: Keir Adams, Connor W. Coley,
• Abstract要約: 本研究では,3次元コンフォメータ依存特性を予測するための代理モデルの性能が,入力として使用する3次元コンフォメータの品質にどのように影響するかを問う。 回答はケース特化されるが,本分析は3次元表現学習モデルにおける貴重な視点を提供する。
• 参考スコア（独自算出の注目度）: 15.282532512126172
• License:
• Abstract: Training machine learning models to predict properties of molecular conformer ensembles is an increasingly popular strategy to accelerate the conformational analysis of drug-like small molecules, reactive organic substrates, and homogeneous catalysts. For high-throughput analyses especially, trained surrogate models can help circumvent traditional approaches to conformational analysis that rely on expensive conformer searches and geometry optimizations. Here, we question how the performance of surrogate models for predicting 3D conformer-dependent properties (of a single, active conformer) is affected by the quality of the 3D conformers used as their input. How well do lower-quality conformers inform the prediction of properties of higher-quality conformers? Does the fidelity of geometry optimization matter when encoding random conformers? For models that encode sets of conformers, how does the presence of the active conformer that induces the target property affect model accuracy? How do predictions from a surrogate model compare to estimating the properties from cheap ensembles themselves? We explore these questions in the context of predicting Sterimol parameters of conformer ensembles optimized with density functional theory. Although answers will be case-specific, our analyses provide a valuable perspective on 3D representation learning models and raise practical considerations regarding when conformer quality matters.
• Abstract（参考訳）: 分子コンホメータのアンサンブルの性質を予測する機械学習モデルを訓練することは、薬物のような小さな分子、反応性有機基質、均質触媒のコンホメーション解析を加速するための一般的な戦略である。 特に高スループット解析において、訓練されたサロゲートモデルは、高価なコンフォメーションサーチと幾何最適化に依存するコンフォメーション解析への伝統的なアプローチを回避するのに役立つ。 本稿では,3次元コンホメータ依存特性(能動コンホメータ)を予測するための代理モデルの性能が,入力として使用する3次元コンホメータの品質にどのように影響するかを問う。 低品質コンバータは、高品質コンバータの特性をどの程度予測できるか? ランダムコンストラクタの符号化における幾何最適化の忠実性は重要か? コンバータの集合を符号化するモデルの場合、対象プロパティを誘導するアクティブコンバータの存在はモデルの精度にどのように影響しますか? 代理モデルからの予測は、安価なアンサンブル自体から特性を推定するのと比べてどうだろうか? 密度汎関数理論に最適化された共形アンサンブルのステリモールパラメータの予測の文脈でこれらの疑問を考察する。 回答はケース特化されるが,本分析は3次元表現学習モデルに価値ある視点を与え,適合性の品質がいつ重要かという実践的考察を提起する。

関連論文リスト

• Pretraining Graph Transformers with Atom-in-a-Molecule Quantum Properties for Improved ADMET Modeling [38.53065398127086]
  我々は,グラフトランスフォーマーの事前学習が原子レベルの量子力学特性に与える影響を評価する。 原子量子力学的性質に基づいて事前訓練されたモデルは、より低周波ラプラシアン固有モードを捕捉する。
  論文  参考訳（メタデータ） (2024-10-10T15:20:30Z)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Improved prediction of ligand-protein binding affinities by meta-modeling [1.3859669037499769]
  我々は,力場に基づく実証ドッキングとシーケンスに基づくディープラーニングモデルを統合するフレームワークを開発した。 メタモデルの多くがベースモデルに対する親和性予測を大幅に改善していることを示す。 我々の最高のメタモデルは、3D構造のみに基づく最先端のディープラーニングツールに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2023-10-05T23:46:45Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Extending a Physics-Based Constitutive Model using Genetic Programming [0.0]
  本稿では,遺伝的プログラミングに基づく処理条件からキャリブレーションパラメータの機能的依存性を同定する手法を提案する。 本稿では,これらの依存関係を識別し,短い解釈式を生成するための2つの(明示的かつ暗黙的な)手法を提案する。 その結果,暗黙的手法は明示的手法よりも高価であると同時に,極めて優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-03T16:03:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。